SEIUM, Universidad de Ingenieria Avanzada
Campus virtual
SEIUM, Universidad de Ingenieria Avanzada

Curso de Machine Learning aplicado a detección de pérdidas

Sobre nuestro Curso de Machine Learning aplicado a detección de pérdidas

El curso en machine learning aplicado a detección de pérdidas de SEIUM es una formación 100 % online de 300 horas, estructurada en 6 módulos y 60 submódulos. Cubre machine learning aplicado a detección de pérdidas desde los fundamentos hasta la validación y la puesta en operación, con el marco normativo de referencia del sector aplicado sobre casos reales y no como un anexo teórico.

El trabajo práctico se realiza con las herramientas habituales en el sector. Cada módulo cierra con un entregable que el tutor corrige individualmente, y el programa culmina en un proyecto integrador documentado.

Curso de Normas EN 9100 en producción militar
Curso de Machine Learning aplicado a detección de pérdidas
  • Modalidad: Online
  • Duración: 4 meses
  • Horas: 300 H
  • Idioma: ES / EN
  • Fecha de matrícula: 16-10-2026
  • Plazas disponibles: 11

545 €

Aplicar Ahora

Competencias y resultados

Qué aprenderás

Base técnica aplicada

Explicarás los principios físicos y de ingeniería que gobiernan Machine Learning aplicado a detección de pérdidas, con las magnitudes, el vocabulario y los órdenes de medida que se usan en proyecto real.

Marco normativo y criterios

Identificarás la normativa aplicable, distinguirás el requisito obligatorio de la buena práctica y sabrás qué evidencia documental exige cada criterio de aceptación.

Análisis y dimensionado

Plantearás las hipótesis de partida, resolverás el cálculo o el dimensionado de los elementos críticos y justificarás cada decisión con criterios trazables.

Herramientas y software

Manejarás las herramientas de cálculo, simulación, medida y documentación habituales en Energía & Redes, desde la preparación del modelo hasta la validación del resultado.

Diagnóstico y resolución

Detectarás los fallos y las desviaciones más frecuentes, los clasificarás por criticidad y propondrás la corrección con su plan de verificación.

Entrega profesional

Redactarás la documentación técnica —memoria, cálculos, planos o informe de ensayo— en el formato que esperan el cliente, la dirección facultativa y el organismo de control.

Curso de Normas EN 9100 en producción militar

Para quien va dirigido nuestro:

Curso de Machine Learning aplicado a detección de pérdidas

  • Ingenieros/as con titulación en Ingeniería Naval, Ingeniería Oceánica, Ingeniería Mecánica, Ingeniería Electrónica o carreras afines.
  • Profesionales de astilleros, empresas de construcción naval, compañías de transporte marítimo, operadores de plataformas offshore, empresas de energías renovables marinas y centros tecnológicos.
  • Especialistas en diseño naval, ingeniería de sistemas, gestión de flotas, operaciones marítimas, mantenimiento, seguridad marítima y logística naval que busquen optimizar sus procesos.
  • Analistas de datos, científicos de datos y profesionales con experiencia en análisis de datos y modelado predictivo interesados en la aplicación de Machine Learning en el sector naval.

Requisitos recomendados: Conocimientos básicos de programación (Python preferiblemente), estadística y álgebra lineal. Nivel de inglés B2/C1 (se valorará, pero no es excluyente).

01EspecializaciónTodo el programa es de Energía & Redes

El temario, los casos y el proyecto final son de Energía & Redes. No es un curso genérico de ingeniería al que se le ha cambiado el título: cada módulo está escrito para este ámbito.

02NormativaQué norma aplica y cómo justificarlo

Un módulo completo dedicado al mapa normativo del ámbito: qué norma aplica a cada parte del trabajo y con qué jerarquía, cómo distinguir un requisito obligatorio de una buena práctica y cómo dejar esa decisión justificada por escrito.

03EvidenciaTrabajo trazable y defendible ante un auditor

Criterios de aceptación definidos antes de ejecutar y medidos después, registros y control de versiones, clasificación de no conformidades por criticidad y preparación de auditoría e inspección: qué te va a pedir el auditor y cómo tenerlo listo.

04Proyecto finalTerminas con una memoria técnica, no solo con un título

Defines el alcance sobre un caso real, documentas las hipótesis, desarrollas el cálculo o el diseño registrando cada iteración, lo validas frente a normativa y lo defiendes ante tu tutor. Es un trabajo que puedes enseñar en una entrevista.

05AcompañamientoUn tutor que corrige tu trabajo

Tienes tutor asignado durante todo el programa y es quien revisa y valida la defensa del proyecto final. El claustro es el que fija el calendario académico de cada formación.

06FormatoCompatible con una jornada completa

300 horas repartidas en 4 módulos y 24 submódulos, 100 % online y asíncrono: avanzas a tu ritmo, sin clases en directo a las que tengas que llegar. La fecha de inicio la fija el claustro.

6 módulos · 60 submódulos · 300 horas

1Fundamentos de Machine Learning en Pérdidas (50 h)
  • 1.1. Introducción a la Detección de Pérdidas con Machine Learning
  • 1.2. Tipos de Pérdidas: Identificación y Clasificación
  • 1.3. Conceptos Clave de Machine Learning Aplicados a Pérdidas
  • 1.4. Preprocesamiento de Datos para el Análisis de Pérdidas
  • 1.5. Selección de Características Relevantes
  • 1.6. Métricas de Evaluación para Modelos de Pérdidas
  • 1.7. Modelos Supervisados para la Detección de Pérdidas
  • 1.8. Modelos No Supervisados para la Detección de Pérdidas
  • 1.9. Implementación Práctica: Estudio de Casos
  • 1.10. Herramientas y Tecnologías para el Análisis de Pérdidas
2Machine Learning: Detección de Pérdidas (50 h)
  • 2.1. Fundamentos del Machine Learning para la detección de pérdidas
  • 2.2. Recopilación y preparación de datos para el análisis de pérdidas
  • 2.3. Selección y entrenamiento de modelos de Machine Learning
  • 2.4. Evaluación y validación de modelos de detección de pérdidas
  • 2.5. Implementación de sistemas de detección de pérdidas basados en Machine Learning
  • 2.6. Optimización de modelos para la detección de pérdidas en tiempo real
  • 2.7. Análisis de resultados y toma de decisiones basadas en Machine Learning
  • 2.8. Integración de Machine Learning con sistemas existentes
  • 2.9. Casos de estudio: Aplicaciones prácticas de detección de pérdidas
  • 2.10. Tendencias futuras en Machine Learning para la prevención de pérdidas
3Análisis de Pérdidas con Machine Learning (50 h)
  • 3.1. Fundamentos del Análisis de Pérdidas y Machine Learning
  • 3.2. Tipos de Pérdidas y su Clasificación
  • 3.3. Recopilación y Preparación de Datos para el Análisis
  • 3.4. Selección de Modelos de Machine Learning para el Análisis de Pérdidas
  • 3.5. Implementación de Modelos de Machine Learning para la Predicción de Pérdidas
  • 3.6. Evaluación y Validación de Modelos
  • 3.7. Interpretación de Resultados y Detección de Patrones
  • 3.8. Estrategias para la Prevención de Pérdidas Basadas en el Análisis
  • 3.9. Casos de Estudio: Aplicaciones Reales del Análisis de Pérdidas
  • 3.10. Herramientas y Tecnologías para el Análisis de Pérdidas con Machine Learning
4Machine Learning para Pérdidas: Enfoque Integral (50 h)
  • 4.1. Introducción al Machine Learning para la Detección de Pérdidas: Conceptos Clave
  • 4.2. Fundamentos de la Recopilación y Preparación de Datos para el Análisis de Pérdidas
  • 4.3. Algoritmos de Machine Learning para la Detección de Pérdidas: Supervisado y No Supervisado
  • 4.4. Implementación de Modelos de Machine Learning para la Identificación de Pérdidas: Etapas y Herramientas
  • 4.5. Evaluación y Validación de Modelos de Machine Learning para la Detección de Pérdidas: Métricas y Técnicas
  • 4.6. Aplicaciones Prácticas de Machine Learning en la Detección de Pérdidas en Diferentes Sectores
  • 4.7. Estrategias Avanzadas para la Optimización de Modelos de Machine Learning
  • 4.8. Estudio de Casos: Implementación Exitosa de Machine Learning para la Prevención de Pérdidas
  • 4.9. Consideraciones Éticas y Regulatorias en el Uso de Machine Learning para la Detección de Pérdidas
  • 4.10. Futuro del Machine Learning en la Detección y Gestión de Pérdidas: Tendencias y Desafíos
5Introducción y Conceptos Clave en ML para Pérdidas (50 h)
  • 5.1. Introducción al Machine Learning y su aplicación en la detección de pérdidas
  • 5.2. Tipos de pérdidas y su clasificación para el análisis con ML
  • 5.3. Conceptos fundamentales de ML: modelos supervisados y no supervisados
  • 5.4. Recopilación y preparación de datos: limpieza y transformación
  • 5.5. Métricas de evaluación: precisión, recall, F5-score y ROC AUC
  • 5.6. Ética y sesgos en ML: impacto en la detección de pérdidas
  • 5.7. Herramientas y plataformas para el desarrollo de modelos ML
  • 5.8. Selección de algoritmos ML para la detección de pérdidas
  • 5.9. Implementación de modelos predictivos: regresión, clasificación y clustering
  • 5.10. Validación y ajuste de modelos: técnicas de validación cruzada
6Introducción al Machine Learning en la Detección (50 h)
  • 6.1. Fundamentos de Machine Learning: Introducción a los conceptos clave.
  • 6.2. Tipos de pérdidas y su clasificación para el análisis con ML.
  • 6.3. Recopilación y preparación de datos para modelos de detección de pérdidas.
  • 6.4. Introducción a herramientas y entornos para Machine Learning.
  • 6.5. Ética y responsabilidad en el uso de Machine Learning para la detección.
  • 6.6. Casos de estudio: ejemplos de aplicaciones reales.
  • 6.7. Evaluación de modelos: métricas y técnicas.
  • 6.8. Tendencias futuras y perspectivas del Machine Learning en la detección de pérdidas.
  • 6.9. Selección y diseño de modelos de Machine Learning para la detección de pérdidas.
  • 6.10. Optimización de hiperparámetros y ajuste fino de modelos.
  • Metodología hands-on: test-before-you-trust, design reviews, failure analysis, compliance evidence.
  • Software (según licencias/partners): MATLAB/Simulink, Python (NumPy/SciPy), OpenVSP, SU2/OpenFOAM, Nastran/Abaqus, AMESim/Modelica, herramientas de acústica, toolchains de planificación DO-178C.
  • Laboratorios SEIUM: banco de rotor a escala, vibraciones/acústica, EMC/Lightning pre-compliance, HIL/SIL para AFCS, adquisición de datos con strain gauging.
  • Estándares y cumplimiento: EN 9100, 17025, ISO 27001, GDPR.

Lo que sales sabiendo hacer

Objetivos de aprendizaje

  • Dominar los fundamentos técnicos de machine learning aplicado a detección de pérdidas y su vocabulario normativo.
  • Aplicar IEC 61850, IEC 60909 y IEEE 1547 a decisiones reales de diseño y validación.
  • Construir y correlacionar modelos de cálculo con DIgSILENT PowerFactory y PSS/E.
  • Planificar y ejecutar campañas de ensayo en simulador de red en tiempo real (RTDS) y banco de ensayo de protecciones.
  • Analizar datos de operación y traducirlos en decisiones de ingeniería.
  • Elaborar el dossier técnico y de cumplimiento que exige el cliente o el regulador.
  • Dirigir técnicamente un proyecto de machine learning aplicado a detección de pérdidas de principio a fin.

Cómo se estudia

Metodología

Formación 100 % online en el campus de SEIUM, con material descargable, clases grabadas y tutor técnico asignado. Sin horarios fijos: el alumno avanza a su ritmo dentro de la convocatoria, lo que permite compatibilizarlo con el trabajo.

Cada módulo combina teoría, lectura guiada de la norma original y ejercicios aplicados. El software de trabajo es DIgSILENT PowerFactory, PSS/E, PSCAD, ETAP, MATLAB/Simulink, en versiones gratuitas, académicas o de evaluación. Los ensayos se estudian sobre procedimientos reales de simulador de red en tiempo real (RTDS), banco de ensayo de protecciones, laboratorio de potencia. La evaluación es continua por módulo más el proyecto integrador final.

El marco con el que se trabaja

Normas y estándares

  • Reglamento (UE) 2016/631 (RfG)
  • IEC 62443
  • IEC 61400 (eólica)
  • IEC 62933 (almacenamiento)
  • NERC CIP
  • UNE-EN 50160

Dónde se aplica

Salidas profesionales

  • Ingeniero de red eléctrica
  • Especialista en HVDC
  • Analista de mercados eléctricos
  • Ingeniero de protecciones
  • Responsable de integración renovable
  • Especialista en almacenamiento
  • Ingeniero de operación de sistema

Sectores de destino: transporte y distribución, generación renovable, almacenamiento, hidrógeno, industria electrointensiva, comercialización. SEIUM no garantiza la obtención de empleo: se trata de una formación propia orientada a la capacitación técnica.

Anatomía del sistema

Cómo se construye el modelo

Pulsa cada etapa para ver qué es y en qué módulo se estudia.

ABCD1234560102030405060708realimentaciónMACHINE LEARNING APLICADO A DETECCIÓN DEDIAGRAMA DE BLOQUESSEIUMESC. S/E12345678

Adquisición

De dónde salen los datos, con qué frecuencia y qué sesgos trae el muestreo.

Se trabaja en el Módulo 3 del plan de estudios.

Preparación

Limpieza, valores ausentes, normalización y construcción de variables.

Se trabaja en el Módulo 4 del plan de estudios.

Modelado

Elección del algoritmo, ajuste de hiperparámetros y control del sobreajuste.

Se trabaja en el Módulo 5 del plan de estudios.

Simulación

Modelos físicos y gemelos digitales: hipótesis, mallado y coste de cálculo.

Se trabaja en el Módulo 6 del plan de estudios.

Validación

Métricas, validación cruzada y contraste contra datos reales medidos.

Se trabaja en el Módulo 6 del plan de estudios.

Despliegue

Puesta en producción, latencia, versionado y trazabilidad de las decisiones.

Se trabaja en el Módulo 6 del plan de estudios.

Monitorización

Deriva de los datos, reentrenamiento y alertas cuando el modelo se degrada.

Se trabaja en el Módulo 6 del plan de estudios.

Gobernanza

Reproducibilidad, documentación del modelo y requisitos regulatorios.

Se trabaja en el Módulo 2 del plan de estudios.

Marco de referencia

Normas y estándares que vas a manejar

ISO/IEC 25012

Modelo de calidad del dato: exactitud, completitud, coherencia y actualidad.

ISO/IEC 42001

Sistema de gestión de la inteligencia artificial dentro de una organización.

ASME V&V 10 y 20

Verificación y validación de modelos de simulación frente a datos experimentales.

Reglamento europeo de IA

Clasificación por riesgo y obligaciones de documentación y supervisión.

Tu dedicación

300 horas: cuánto te va a llevar

La formación es 100 % online y asíncrona, así que el calendario lo pones tú. Estas son las tres velocidades más habituales.

5 h por semana

60

semanas

13,9 meses aproximadamente

10 h por semana

30

semanas

6,9 meses aproximadamente

15 h por semana

20

semanas

4,6 meses aproximadamente

Proyectos tipo capstones

Definición del alcance

Eliges un caso real de Energía & Redes relacionado con Machine Learning aplicado a detección de pérdidas, acotas el problema, fijas los requisitos de partida y los criterios con los que se va a medir el resultado.

Datos y estado del arte

Reúnes datos, normativa y referencias técnicas, justificas cada fuente y documentas de forma explícita las hipótesis que no puedas medir.

Desarrollo técnico

Resuelves el cálculo, el modelo o el diseño con las herramientas del programa y registras cada iteración junto al motivo que la provocó.

Validación y contraste

Compruebas los resultados frente a la normativa y a casos de referencia, haces el análisis de sensibilidad y cierras las desviaciones detectadas.

Memoria y defensa

Entregas el proyecto final con sus anexos y defiendes las decisiones ante el tutor, que evalúa rigor, trazabilidad y aplicabilidad industrial.

CUERPO DOCENTE Y EXPERTOS

Conoce a nuestros profesores

Prof. Luca Benedetti, director academico del SEIUM Design & Industrial Design Institute

Prof. Luca Benedetti

Director Académico del DSD — SEIUM Design & Industrial Design Institute

Profesor de Diseño Industrial, Diseño de Vehículos, Transportation Design, UX/HMI, Color & Trim, Iluminación y Desarrollo de Producto

El Prof. Luca Benedetti, de nacionalidad italiana, es Director Académico del DSD — SEIUM Design & Industrial Design Institute y responsable de diseño industrial, de producto y vehículos, experiencia de usuario, interacción persona-máquina, interfaces HMI, Color & Trim y prototipado.

Conocer al Profesor
Prof. Kenji Takahashi, director academico del SEIUM Robotics & Autonomous Systems Institute

Prof. Kenji Takahashi

Director Académico del SRA — SEIUM Robotics & Autonomous Systems Institute

Profesor de Robótica, Automatización Inteligente, Sistemas Autónomos, Percepción Artificial, Control Avanzado y Mecatrónica.

El Prof. Kenji Takahashi, de nacionalidad japonesa, es Director Académico del SRA — SEIUM Robotics & Autonomous Systems Institute y responsable de robótica industrial, robots móviles, mecatrónica, control avanzado, percepción artificial, navegación e inteligencia embebida y autónoma.

Conocer al Profesor
Dra. Lucia Hernandez Vega, directora academica del SEIUM Data, Artificial Intelligence & Simulation Institute

Dra. Lucía Hernández Vega

Directora Académica del DAIS — SEIUM Data, Artificial Intelligence & Simulation Institute

Profesora de Inteligencia Artificial, Ciencia de Datos, Ingeniería de Datos, MLOps, Simulación, Gemelos Digitales y Computación Científica

La Dra. Lucía Hernández Vega, de nacionalidad española, es Directora Académica del DAIS — SEIUM Data, Artificial Intelligence & Simulation Institute y responsable de inteligencia artificial, ciencia e ingeniería de datos, visión artificial, IA generativa, MLOps y gemelos digitales.

Conocer al Profesor
Dr. Kevin O’Connor, director academico del SEIUM Electronics & Embedded Technologies Institute

Dr. Kevin O’Connor

Director Académico del EET — SEIUM Electronics & Embedded Technologies Institute

Profesor de Electrónica, Sistemas Embebidos, Telecomunicaciones, Diseño de Hardware, FPGA, IoT y Sistemas de Tiempo Real

El Dr. Kevin O’Connor, de nacionalidad irlandesa, es Director Académico del EET — SEIUM Electronics & Embedded Technologies Institute y responsable de electrónica, sistemas embebidos, telecomunicaciones, diseño de circuitos, microcontroladores, FPGA, IoT y desarrollo de hardware electrónico.

Conocer al Profesor
Dr. Javier Ferrer Salvatierra, director academico del SEIUM Naval & Offshore Institute

Dr. Javier Ferrer Salvatierra

Director Académico del SNO — SEIUM Naval & Offshore Institute

Profesor de Arquitectura Naval, Ingeniería Marítima, Sistemas de Propulsión, Construcción Naval e Ingeniería Offshore

El Dr. Javier Ferrer Salvatierra, de nacionalidad española, es Director Académico del SNO — SEIUM Naval & Offshore Institute y responsable de arquitectura naval, ingeniería marítima, construcción, propulsión, sistemas auxiliares, ingeniería offshore, seguridad y descarbonización marítima.

Conocer al Profesor
Dra. Isabel Martin Robles, directora academica del SEIUM Rail & Smart Cities Institute

Dra. Isabel Martín Robles

Directora Académica del RSC — SEIUM Rail & Smart Cities Institute

Profesora de Ingeniería Ferroviaria, Señalización, Movilidad Urbana, Infraestructuras Inteligentes y Sistemas de Transporte

La Dra. Isabel Martín Robles, de nacionalidad española, es Directora Académica del RSC — SEIUM Rail & Smart Cities Institute y profesora responsable de las áreas de ingeniería ferroviaria, señalización, sistemas de control del tráfico, movilidad urbana, transporte inteligente, infraestructuras conectadas y planificación de ciudades inteligentes.

Conocer al Profesor
Dr. Carlos Navarro Sanz, director academico del SEIUM Energy & Networks Institute

Dr. Carlos Navarro Sanz

Director Académico del SEN — SEIUM Energy & Networks Institute

Profesor de Sistemas Eléctricos de Potencia, Smart Grids, Energías Renovables, Almacenamiento y Digitalización de Redes

El Dr. Carlos Navarro Sanz, de nacionalidad española, es Director Académico del SEN — SEIUM Energy & Networks Institute y responsable de sistemas eléctricos, redes inteligentes, renovables, almacenamiento, operación, protecciones, subestaciones, digitalización y planificación energética.

Conocer al Profesor

Admisiones

Cómo se accede a este curso

  1. 1
    Solicitud

    Rellenas el formulario con tu perfil y la formación que te interesa. Sin coste ni compromiso.

  2. 2
    Evaluación del perfil

    Revisamos formación y experiencia para confirmar que el programa encaja con tu punto de partida.

  3. 3
    Entrevista técnica

    Una conversación con el equipo académico para ajustar objetivos, ritmo y dedicación.

  4. 4
    Matrícula

    Se confirma la plaza y recibes los accesos. El programa arranca cuando tú decides.

Qué documentación hace falta

Currículum actualizado y titulación o acreditación de experiencia equivalente. Si quieres, puedes añadir ejemplos de proyectos o de código; no son obligatorios, pero ayudan a afinar el itinerario.

Becas y formas de pago

Hay descuento por pago único y becas parciales por mérito académico, por situación económica y por fomento de la inclusión, además de convenios con empresas del sector. En la entrevista se revisa cuál te corresponde.

Cuándo puedes empezar

Cada formación tiene una fecha de inicio fijada por el claustro. Puedes solicitar plaza en cualquier momento y, en la entrevista de admisión, te confirmamos la fecha de comienzo que te corresponde.

¿Tienes dudas?

Nuestro equipo está listo para ayudarte. Contáctanos y te responderemos lo antes posible.

Por favor, activa JavaScript en tu navegador para completar este formulario.
Protección de datos
Responsable: SEIUM. Finalidad: atender tu consulta sobre la formación. Derechos: acceso, rectificación y supresión. Más información en la política de privacidad.

F. A. Q

Preguntas frecuentes

¿Cuántas horas de dedicación semanal exige?

El programa son 300 horas totales repartidas en 3 a 5 meses. Eso son entre 10 y 15 horas semanales de media, compatibles con jornada laboral completa.

¿Qué software necesito?

Se trabaja con DIgSILENT PowerFactory, PSS/E, PSCAD, ETAP. Se usan versiones gratuitas, académicas o de evaluación, y el tutor indica la alternativa libre cuando existe.

¿Qué titulación obtengo?

Diploma propio de SEIUM al superar la evaluación continua y el proyecto integrador. Es formación propia, no un título oficial del Ministerio.

¿Se puede convalidar con otra formación de SEIUM?

Sí. Los módulos superados en un curso o diplomado del mismo área convalidan en el programa superior. Consulta la política de convalidaciones al matricularte.

Contáctanos

Lo que se busca en Google

Las preguntas que más se hacen sobre Machine Learning aplicado a detección de pérdidas

¿Qué es Machine Learning aplicado a detección de pérdidas?

Es una especialidad propia de los datos y la simulación en ingeniería. En la práctica consiste en aplicar un método de ingeniería concreto (requisitos, diseño, cálculo, ensayo y puesta en servicio) a ese ámbito, con sus propias normas, herramientas y criterios de aceptación. Este curso recorre ese método completo en 6 módulos.

¿Qué salidas profesionales tiene Machine Learning aplicado a detección de pérdidas?

Contratan sobre todo departamentos de I+D, consultoras de cálculo y equipos de ciencia de datos industrial. Los puestos habituales son los de ingeniero de diseño, de cálculo, de ensayo, de puesta en marcha y de calidad o cumplimiento normativo, además de los perfiles de proyecto que coordinan a los anteriores.

¿Qué normas hay que conocer para trabajar en Machine Learning aplicado a detección de pérdidas?

Las de referencia son ISO/IEC 25012, ISO/IEC 42001, ASME V&V 10 y 20, entre otras. No basta con saber que existen: lo que piden las empresas es saber qué exige cada una, qué evidencia hay que generar y cómo se documenta. Es lo que se trabaja en el módulo de marco normativo.

¿Qué herramientas se usan en Machine Learning aplicado a detección de pérdidas?

En el día a día se trabaja con entornos de análisis y aprendizaje automático, software de simulación numérica y plataformas de datos. Durante la formación se usan en los ejercicios y en el proyecto final, de modo que lo que se practica es lo mismo que se pide en una oferta de empleo.

¿Cuánto se tarda en especializarse en Machine Learning aplicado a detección de pérdidas?

Este programa son 300 horas. Con 10 horas a la semana salen unas 30 semanas; con 5 horas, el doble. Al ser 100 % online y asíncrono, el calendario lo marca el alumno y no hay clases a hora fija.

¿Se puede estudiar Machine Learning aplicado a detección de pérdidas online?

Sí. Todo el programa es online y asíncrono: material, ejercicios y entregas quedan disponibles desde el primer día y cada módulo se cierra con un entregable que el tutor corrige de forma individual. No hay desplazamientos ni horarios.

¿Qué nivel previo hace falta?

Se parte de una base técnica: formación en ingeniería o experiencia equivalente en el sector. No se exige experiencia previa en la especialidad concreta, porque los primeros módulos reconstruyen los fundamentos antes de entrar en los métodos avanzados.

Testimonios & trayectorias

Otras formaciones de Energía y Redes

Curso de Electrificación de transporte pesadoCurso · 300 h · 100 % onlineCurso de Ingeniería energética en data centersCurso · 300 h · 100 % onlineCurso de Electrificación portuaria (cold-ironing)Curso · 300 h · 100 % onlineCurso de Electrificación aeroportuariaCurso · 300 h · 100 % onlineCurso de Redes aisladas e islas con alta penetración renovableCurso · 300 h · 100 % onlineCurso de Project Finance en proyectos energéticosCurso · 300 h · 100 % online

Ver todas las formaciones de Energía y Redes

Ficha del programa

El programa en datos

6módulosEstructura
60submódulosUnidades de trabajo
300horasCarga total
3-5mesesDedicación
Modalidad
online, 100 % a distancia.
Duración
300 horas · 3 a 5 meses.
Estructura
6 módulos y 60 submódulos.
Área
Energía & Redes.
Titulación
diploma propio de SEIUM.
Convocatorias
abiertas, matrícula continua.
Tutorización
tutor técnico asignado y corrección individual.
Idioma
español.

Compara antes de decidir

Esta formación frente a otra del catálogo

Curso · estás aquíCurso de Machine Learning aplicado a detección de pérdidasDiplomadoDiplomado en Estimación de Estado y Pérdidas
Horas300 h800 h
Módulos68
Submódulos6080
Precio545 €890 €

Ver Diplomado en Estimación de Estado y Pérdidas

Formaciones relacionadas

Programa revisado el .

Seium - Universidad de ingeniería avanzada
Powered by  GDPR Cookie Compliance
Resumen de privacidad

Esta web utiliza cookies para que podamos ofrecerte la mejor experiencia de usuario posible. La información de las cookies se almacena en tu navegador y realiza funciones tales como reconocerte cuando vuelves a nuestra web o ayudar a nuestro equipo a comprender qué secciones de la web encuentras más interesantes y útiles.